基于多重算法的機車換道模型設計初探

江西省煤炭工業科學研究所 胡小勇

基于多重算法的機車換道模型設計初探

江西省煤炭工業科學研究所 胡小勇

利用三維圖形技術設計，采用多種神經網絡算法，簡易實現了發車模型，為現實安全執法、風險評估提供科學指導，能為實際工程中的一項具有實際意義的理論分析工具設計理論指導。

智能系統；神經網絡算法；變量；模型；輸入輸出；換道模型；OpenGL三維

1.引言

智能系統是大數據系統開發應用的一個分支范疇，是一個集合研究涵蓋多學科和協調組織，調研、可行性、研發、組織質控的大系統。現代科技技術為智能系統的研發和發展，提供可行性和多選擇的方向手段。

智能系統既分整體特性的宏觀，又分個體事件微觀，是一門運用多學科、多領域、多范疇特性的綜合性系統。國家建立大數據系統，為智能系統研究提供了一個平臺，能綜合利用先進的技術手段和數據支撐，為系統實現，增添更多理論模型和方法參考，且能模擬和拓展，并使用大數據綜合平臺和方法來檢驗設想和假設的可能性，最終得到實驗的結果，為實際工程開發或是項目實施節省費用和時間。

本文著重闡述神經網絡的汽車換道模型設計和實現，為智能系統中分支部分提供一種可行性方法指導。

2.構建基于算法實現換道設計的模型

人工智能網絡算法的應用，在一些實際項目研發和軟體開發中占有不可比擬的位置：一是采用多方位，多層次的模擬傳感器監測；二就是用總體模擬神經網絡，采用多種算法實現特定功能和范疇內汽車的動態變化。

分析在正常行駛或是非正常行駛的狀態是最為重要的信息，首先需要把行駛環境附近的空間、環境、三維立體等事件統稱為障礙物(可能也是汽車)，假如前方、后方、左右、上下有障礙物，這樣障礙物相對于行駛的位置就比較重要，第二個重要的信息事件就是障礙物是在行駛物體的前方還是后方或是右邊，還是在左邊，還是在上下空間中。如果行駛狀態物體兩邊有障礙物，那么行駛物體可以加速或是減速進行判別，如果前方有障礙物，那么行駛物體必須要剎車減慢速度并且在允許可能的條件下轉彎或是左右變道緊急避讓，因此需要更換行駛物體的方向來達到換道的情況。

綜上所述，模型算法因此確定多個輸入和多個輸出，多個輸出分別為上下面、左邊、右邊、前后和中間，而輸出則分為轉向的方向和適度轉向角度、以及加速度矢量方向和速率。這些矢量和定量必需要跟算法及跟進模型緊密聯系起來，輸入輸出的變量都是對應每一個行駛狀態下物體而言，換言之就是要對每一個行駛狀態和跟進的行進物體進行匯總計算。

(1)變量輸入

變量輸入被定義為前方、后方、左邊，右邊，上下立體及中間，實際上是前后、左中右、上下空間等障礙物離當前正常行駛物體的位置，對于測算距離用神經網絡算法模塊將全部信息數據可以量化在0-1.0之間的浮點數，這些和隨機動態生成器有關，模擬的隨機動態生成器的統一輸出為0-1.0之間,無論是在什么算法模塊和神經網絡模塊中都是使用相同的隨機動態生成器，這樣可以提高模塊的復用性。變量輸入被量化成為一組數據信息矩陣VISION[3]，前后、上下、左右中等障礙物離行駛物體的距離及環境信息事件數據可以分別存儲在VISION[0]，VISION[1]，VISION[2]等數據信息矩陣里面。因此必需要了解對象的位置值V[x,y]二維，環境視力范疇值r，此值在特定算法模塊中模擬產生的。視力范疇有兩個重要作用，一是為了方便算法的計算速度，在視力范疇內的所有事件物體都需要計算，假如在視力范疇內的沒有事件物體，則表示沒有障礙物。二是方便量化，算法計算距離變化值VISION是把視力范疇內的事件離行駛物體的距離除以視力范疇，則得到了0-1.0之間的標準量化。圖1所示是變量輸入量化示意圖。

圖1 變量輸入量化示意圖

(2)變量輸出

變量輸出有多個，轉向的方向和適度轉向角度、以及加速度矢量方向和速率，在行駛跟進的情況下，轉向的方向的角度為0，加速度矢量仍然保持為行駛跟進模型的定義。當然前面所說的變化換道原理生成換道時，例如前方、后方、左右、及上下中間有障礙，控制行駛狀態物體依據突發事件信息得到的概率感覺前方、后方、左右、上下中間行進物體速速及速率快慢，神經網絡算法模型應該輸出的是0-1.0之間隨機被變化的角度修正值和矢量加速度。

如圖2所示，環境道路與變化道路之間的線用ax+bz+c＝0表示。因此行駛狀態物體一般都是在一個大平面上，因為在OpenGL里面y軸是向上的，所以用x-z平面來表示行進物體行駛的平面，方便習慣性我們把它看著x-y平面，那么行進物體行駛的前后、左右、上下中間的曲線分別為：

根據圖形表示是兩條直線，在同一個方向上能共有五條直線，所以地圖的編輯里面應該要被定義好，假設不是直道或是直線，則在物體行進過程中線性方程式的所有信息參數有可能就會變。圖2為平臺中行駛的換道模型圖。

圖2 BP網絡換道基本模型圖

當然除神經網絡計算的行駛物體以外，還應該把涉及到所有其他的事件信息物體都要稱為障礙物，包括其他行進車輛，那么要判斷障礙物在直線的前方、后方、左邊，右邊、中間、上下，還是在一個方向上，我們應該把事件物體的參數坐標直接代入線性方程就可以判斷出來。在行駛物體轉動一定方向的角度后就必須重新換算對應這個行駛物體或是其他的線性方程，方向繞軸轉動角度θ，那么需要將換算行駛物體的法線向量同樣轉動θ，方向轉動轉變為矢量或向量的轉動，因此法線向量的換算過程為：

(3)模擬測試

模擬測試是為了網絡權值的確定過程，根據表1中預設的變量輸入和變量輸出，可以得到行駛物體、前面跟進以及可見性換算法有著緊密的聯系。

表1 變量輸入輸出樣本值

表1標準化成在0-1.0區間的隨機數字，換算生成表2。

我們模擬生成的表格2數據信息，也許不可能全部符合實際行駛的規則，因此要得到一個完全符合實際行駛的數據表，需要進行詳細的調研和分析調查得到，因此地圖矢量的指定下執行，常態變化后行駛物體應當考慮回輪情況。神經網絡算法換道中的事件概率情況和控制物體人、事物、空間、時間等因素都應該并入神經網絡模型中，所以這個表格信息數據只能是一個參考策略。實際中的平臺里，變量的輸入輸出也是要增加很多的，因此需要一個完善既符合實際又能真實反映行駛的樣本數據表，來完成平臺的神經網絡模塊設計。

總而言之為了基礎換道神經網絡模型，特地采用多種神經網絡算法模塊設計成一個雙向隱像層網絡體系，雙向影像層的各個節點分別使用了(2,6),(4,8),(9,9),(10,10),(6,6)的節點，變量輸入輸出保持多個輸入和多個輸出節點，遍歷算法循環迭代次數在130000到280000之間，均冪次差閾值0.000001，網絡界限實現了500萬次循環迭代運算，得到界定的網絡為：速率在0.35,矢動量在0.18,(6,6)模型，由于差額數據關系，特別是一些信息數據出入比較大，17-21項誤差數據信息較大，讓模塊在三維動畫模擬演示時候，行駛物體產生不穩定性因素多，例如抖動，停滯、竄動等等，所以本神經網絡算法有待改進的地方還很多。

表2 量化后的表格

3.總結

利用OpenGL三維圖形庫開發標準來實施，采用多種算法模塊，簡單完成了觸發模型算法，基本完成了換道模型的設計之初衷，對現實安全執法、風險評估等有一定指導意義。因個人技術水平和能力有限，只實現了部分功能模塊的簡答設計和初探。

[1]高宇,隋修寶,陳錢,顧國華．紅外圖像處理算法硬件實現驗證系統[J]．紅外技術,2012(11)．

[2]陳寶國,樊養余,張學峰,王巍．紅外焦平面陣列非均勻性校正的改進神經網絡算法[J]．紅外技術,2012(12)．

[3]陳寶國,鄭志偉,黃士科,沈振康．利用FPGA實現紅外焦平面器件的非均勻性校正[J]．紅外與激光工程,2000(04)．

胡小勇，江西省煤炭工業科學研究所，主要研究方向：嵌入式系統研發、網絡信息技術等。